1.detection.py:通过已经训练好的Faster-Rcnn参数实现对行人的识别并标记(其中标记行人的阈值为0.7,即识别率必须达到70%);
2.camshift2.py:利用mean-shift对已经标记的人进行目标跟踪,中间通过不断迭代更新行人目标位置并实时标记;
3.kalmon.py:借助卡尔曼滤波方式来对行人移动位置进行预测,提高目标跟踪的精度;
4.multi-object-tracking.py:利用多对象目标跟踪器实现对多个目标进行跟踪。
5. multi_camshift_detection.py:使用camshift方法进行目标跟踪,并利用卡尔曼滤波方法进行目标预测,从而实现多目标跟踪。(此方法目标标记框移动幅度较大)
6. multi_track_detection.py:正式完成的基于视频的行人目标跟踪及流量密度检测程序。

faster_rcnn_inception_v2_coco_2018_01_28(faster-rcnn网络框架)、 ssd_mobilenet_v1_coco_2018_01_28(ssd-mobilenet网络框架)、object_detection(目标检测库,为符合本程序使用中间有参数修改)

(1) 图像预处理常用算法研究; (2) 背景建模算法研究; (3) 运动目标检测算法研究; (4) 目标匹配与跟踪算法

来源 :https://github.com/librahfacebook/Detection/ Detection项目的可运行版本,自己运行过程问题解决,补充了依赖库。并且基于TensorFlow2.0环境下对部分API进行了修复,使其可以正常运行。